Skip to main content
Open In ColabOpen on GitHub

PremAI

PremAI 是一个一体化平台，可简化由生成式人工智能驱动的强大生产级应用程序的创建过程。通过优化开发流程，PremAI 让您能够专注于提升用户体验并推动应用程序的整体增长。您可以快速从这里开始使用我们的平台。

安装与设置​

我们首先安装 langchain 和 premai-sdk。你可以输入以下命令进行安装：

pip install premai langchain

在继续之前，请确保您已经在PremAI上注册了账户并创建了项目。如果没有，请参考快速入门指南以开始使用PremAI平台。创建您的第一个项目并获取您的API密钥。

PremEmbeddings​

在本节中，我们将讨论如何使用 LangChain 的 PremEmbeddings 访问不同的嵌入模型。让我们从导入模块并设置 API 密钥开始。

# Let's start by doing some imports and define our embedding object

from langchain_community.embeddings import PremAIEmbeddings
API 参考：PremAIEmbeddings

一旦我们导入了所需的模块，就可以设置我们的客户端了。现在假设我们的project_id是8。但请确保使用您的项目ID，否则会抛出错误。

Note: Setting model_name argument in mandatory for PremAIEmbeddings unlike ChatPremAI.

import getpass
import os

if os.environ.get("PREMAI_API_KEY") is None:
    os.environ["PREMAI_API_KEY"] = getpass.getpass("PremAI API Key:")
model = "text-embedding-3-large"
embedder = PremAIEmbeddings(project_id=8, model=model)

我们支持许多最先进的嵌入模型。您可以查看我们支持的LLM和嵌入模型列表 这里。现在让我们在这个例子中使用text-embedding-3-large模型。

query = "Hello, this is a test query"
query_result = embedder.embed_query(query)

# Let's print the first five elements of the query embedding vector

print(query_result[:5])
[-0.02129288576543331, 0.0008162345038726926, -0.004556538071483374, 0.02918623760342598, -0.02547479420900345]

最后，让我们嵌入一个文档

documents = ["This is document1", "This is document2", "This is document3"]

doc_result = embedder.embed_documents(documents)

# Similar to previous result, let's print the first five element
# of the first document vector

print(doc_result[0][:5])
[-0.0030691148713231087, -0.045334383845329285, -0.0161729846149683, 0.04348714277148247, -0.0036920777056366205]